نقشه‌برداري رقومي ضخامت خاك سطحي و عدم قطعيت وابسته به آن با استفاده از رويكرد يادگيري ماشين در بخشي از اراضي خشك و نيمه‌ خشك دشت قزوين

پژوهش حاضر با هدف مدل‌سازي رقومي ضخامت خاك سطحي با استفاده از مدل‌هاي يادگيري ماشين جنگل تصادفي (RF) و شبكه عصبي مصنوعي (ANN) در حدود 60000 هكتار از اراضي دشت قزوين ( حد واسط آبيك و نظرآباد) با تراكم مشاهداتي 278 پروفيل در بازه زماني 1395 - 1399 و تعداد 17 متغير محيطي مستخرج از تصاوير ماهواره لندست8، مشتقات اوليه و ثانويه مدل رقومي ارتفاع، داده‌هاي اقليمي، نقشه كاربري اراضي و زمين‌شناسي اجرا گرديد. براي انتخاب متغيرهاي كمكي از الگوريتم نظارت‌شده باروتا (Boruta) به همراه نظر كارشناس استفاده شد. از دو تابع nnet و random forest و بسته caret در محيط نرم‌افزار R براي مدل‌ سازي بر اساس 80 درصد داده‌ها در مرحله واسنجي و 20 درصد براي اعتبارسنجي استفاده شد و عدم قطعيت نقشه‌هاي نهايي با دو روش بوتسراپت (bootstrapping) و كامرتبه (k - fold) كمي سازي گرديد. نتايج بيانگر انتخاب 10 متغير كمكي از ميان 17 متغير بود و متغيرهاي شاخص سبزينگي، تأثير باد، تابش پخشيده و شاخص همواري دره با قدرت تفكيك بالا(Mrvbf) به‌عنوان مهم‌ترين متغيرهاي كمكي مشخص گرديدند. نتايج اعتبارسنجي مدل RF بيانگر ضريب تبيين (R^2) 0/8 و ريشه ميانگين مربعات خطاي (RMSE) كمتر از 3 سانتي‌متر و اريبي (Bias) 0/63 سانتي‌متر است. در مدل شبكه عصبي مقاديرR^2 ، RMSE  و Bias به ترتيب برابر0/43، 0/05 سانتي‌متر و 0/004 سانتي‌متر حاصل گرديد، همچنين ضريب همبستگي توافق (CCC) براي مدل RF در مقايسه با ANN به ميزان 50 درصد افزايش نشان مي‌دهد، عدم قطعيت برآورد شده توسط روش bootstrapping در مقايسه با k - fold به در مناطق با ضخامت 10 تا 15 سانتي به ميزان 7 سانتي متر بيشتر است و در بخش زيادي از منطقه ميزان پايين و داراي الگوي مكاني يكساني مي‌باشند. مدل جنگل تصادفي به همراه متغيرهاي محيطي انتخاب‌شده و عدم قطعيت‌هاي كمي شده نقشه‌هاي خروجي مي‌توانند براي مدل‌ سازي ضخامت خاك سطحي در نواحي مشابه با اين پژوهش در مطالعات آتي استفاده گردد.